Ⅰ. INTRODUCTION
피질골은 뼈의 주요 기능을 담당한다. 전신을 지지하고, 장 기를 보호하며, 움직임을 위한 지렛대를 제공하고, 주로 칼슘 을 포함한 화학 원소를 저장하고 방출한다. 하버스관의 수는 노화에 따라 증가하고 피질골 단위 면적 당 평균 관의 크기 역시 증가하여 뼈의 질량이 감소하게 된다1). 또한 골다공증 환자에서 하버스관은 피질골을 가로지르며 뼈의 리모델링을 위한 표면을 제공하여 피질골의 손실, 다공성 증가로 비박 및 골절 위험을 증가시킨다2). 피질골은 겉은 골막, 안은 골내막 으로 덮여 있고 더 안쪽에는 해면골이 위치하며 피질골 비박 은 내막에서의 부식을 포함한다. 해면골은 골격골의 내부 조 직이며 다공성의 망구조이다.
일부 대사성 질환은 칼슘을 유리시키고 뼈의 밀도를 감소 시켜 피질골의 두께를 얇고 약하게 만든다. 그 예로 갑상선기 능항진증3-6), 만성 신장 질환7-9), 전신성 루푸스 홍반10), 골다공 증11-13) 등이 있다. 이러한 골대사성 질환들은 뼈의 밀도를 낮 추고 약화시킴으로써 골절을 비롯한 많은 합병증을 유발할 수 있으므로 이러한 대사성 골질환들에 대한 빠르고 정확한 진단 이 중요하다. 상기 질환들을 포함한 여러 골질환들에서 관찰 되는 피질골의 비박 현상은 2차성 골다공증이 진행되고 있음 을 의미한다. 따라서 치과 파노라마방사선사진에서 피질골 비 박에 대한 판독 및 평가는 상기 질환 등의 진단에 매우 중요한 단서가 될 수 있다.
일반적으로 파노라마방사선사진은 치과에서 기본적인 검 진에 사용하는 영상이기 때문에 치과의사는 일상적으로 환자 의 파노라마방사선사진을 판독한다. 파노라마방사선사진은 치열과 인접 구조물들의 검사뿐만 아니라 하악 피질골 비박의 판독에도 매우 유용하다.
치과의사들은 일반적으로 치아 문제에 초점을 맞추고 있기 때문에 파노라마방사선사진에서 하악 피질골 비박을 판독하 는 것은 쉽지 않다. 이 부분을 보완하기 위한 방법으로 골다공 증에 대한 컴퓨터 보조 진단(CAD)의 몇 가지 방법에 대한 연 구가 진행되었으며, 그 예로 뼈 특징에 기초한 random forest classifier 지원 vector machine과 같은 classifier system14,15) fuzzy neural network16)와 hybrid genetic swarm fuzzy classifier model17), Lee 등18), Lee 등19)에 심층 합성곱 신경망(Deep Convolutional Neural Network, DCNN)이 적용되고 있다.
영상 인식 최적화에 대한 딥러닝 접근법인 DCNN이 개발된 이후20), 유방암21), 폐암22) 및 알츠하이머23)를 위한 딥러닝 기 반 컴퓨터 보조 진단이 방사선학에서 적용되었다.
그러나 우리가 아는 한 DCNN 연구가 치과 방사선학에서 수행된 것은 몇 연구에 불과하다. 따라서 본 연구는 DCNN을 파노라마방사선사진의 판독에 도입하기 위한 연속적 연구의 일환으로서 시행되었다. DCNN과 구강악안면방사선학전문의 의 진단 비교를 통해 파노라마방사선사진에서 DCNN의 하악 피질골 비박의 판독 성능을 평가하고 DCNN이 민감하게 인식 하는 영역을 밝히고자 하였다.
Ⅱ. MATERIALS and METHODS
1. 연구 대상
본 연구는 Lee 등의 연구의 후속연구로서 시행되었으며 (기 관생명윤리위원회 승인번호CNUDH-2017–014)18), 2008년부터 2016년까지 전남대학교 치과병원에 내원한 여성환자 1,268명 (만 45.2 ± 21.1세)를 대상으로 하였다.
파노라마방사선사진의 선정 기준은 다음과 같다. 환자는 하악골의 병적 골 변형이나 수술 이력이 없고 골다공증을 제 외한 전신질환이 없었으며, 파노라마방사선사진의 질(하악골 의 명확한 변연과 환자의 적절한 위치)은 우수하면서, 두 명의 구강악안면방사선학전문의들에 의해 하악 하연 피질골의 두께 와 모양의 골다공증적인 변화에 대한 판정이 가능한 경우였다.
여성환자 1,268명(평균 연령 45.2 ± 21.1세)의 파노라마방 사선사진을 사용하였으며 하악 하연 피질골의 두께와 모양의 골다공증적인 변화에 대한 판독을 위하여 2명의 구강악안면 방사선학전문의가 검토하였다. 대상자 중 하악 하연 피질골의 두께와 모양 변화가 없는 파노라마방사선사진 535건(평균 연 령 28.6 ± 7.4세)과 하악 하연 피질골의 두께와 모양 변화가 있는 533건(평균 연령 72.1 ± 8.7세)을 데이터 전처리과정을 통해 치조골 하방 580X240픽셀로 영상을 축소하여 DCNN 학 습에 사용하였다.
2. 파노라마방사선사진의 촬영 및 판독
대상자들은 치과 검사의 일환으로 디지털 파노라마방사선 사진을 촬영하였고 모든 영상은 Kodak 8000 디지털 파노라마 방사선사진촬영장비(Carestream Health Inc., Rochester, NY) 로 71 kVp, 12 mA, 13.2초 동안 촬영하여 획득하였다. 모든 파노라마방사선사진들은 10년 이상의 경험을 가진 두 명의 구 강악안면방사선학전문의가 평가하였다. 두 명의 구강악안면 방사선학전문의는 Klemetti 등24)의 분류에 따라, 각 파노라마 방사선사진의 하악 하연 피질골이 얇아지고 내부의 치밀도가 떨어지면서 방사선투과상이 있는 경우를 하악 하연 피질골의 두께와 모양에 골다공증적인 변화가 있는 것으로 판정하였다. 본 연구에서는 구강악안면방사선학전문의 2명이 판독에 대해 서로 동의했을 때 최종 진단하였으며, 피질골의 침식이 관찰 되었을 때 하악 하연 피질골의 두께와 모양의 골다공증적인 변화로 진단하였다24).
하악 하연 피질골의 두께와 모양의 골다공증적인 변화가 없는 영상 100개(평균 연령 26.6 ± 4.5세), 골다공증적인 변화 가 있는 영상 100개(평균 연령 72.5 ± 7.2세)를 테스트 세트로 편성하였다.
3. 파노라마방사선사진의 분류를 위한 합성곱 신경망
1) DCNN의 구조
파노라마방사선사진에서 ROI를 치아 하방 하악골 영역으로 제한하였다. DCNN의 학습 및 테스트를 위해서 파노라마방사 선사진은 하악 하연 피질골을 포함하여 1000x200 픽셀의 영역 으로 하향 샘플링하여 ROI를 설정하여, Lee 등의 연구의 단일 열(single column, SC-CNN)과 같은 상태로 제한하였다18).
DCNN은 Alexnet을 사용하였으며25), 출력은 골다공증적 변 화가 있는 경우와 정상, 두 가지 범주의 조건부 확률분포 p(y|X)이다.
신경망은 5개의 합성곱 레이어로 구성되며, 각 합성곱 레이 어 다음으로는 최대 풀링 레이어(Pool), RELU26) 활성화 레이 어가 뒤따른다. 합성곱 레이어에 사용되는 커널의 크기는 각 각 5x5, 5x5, 3x3 및 3x3이다. 다섯 번째 합성곱 레이어 다음 에는 상단에 Softmax 분류기 레이어가 있는 3개의 완전히 연 결된 레이어가 뒤따른다. Softmax 레이어의 출력은 두 대상 클래스에 대한 조건부 확률 분포이며 모델의 예측은 최대 확 률을 가진 클래스이다18). 단열 심층 DCNN은 단일 NVIDIA GTX 980 GPU의 Theano27)를 사용하여 학습하였다.
2) 내부 DCNN 상태 시각화
DCNN은 검은상자로 훈련되어 두 범주에 걸쳐 조건부 분포 를 출력하였다. 훈련된 모델이 정말로 하악 윤곽 영역의 정보 를 분류에 사용하는지, 아니면 단지 주변 정황만을 이용하는 지를 확인하기 위해 폐쇄 민감영역 분석을 채택하였다. 신경 망에 대하여 120x60 픽셀의 검은 직사각형으로 정상 영상 입 력의 다른 부분을 체계적으로 차단하고 분류기의 출력을 모니 터하였다(Figure 1)28).
Ⅲ. RESULTS
본 연구는 파노라마방사선사진을 하악 하연 피질골의 두께 와 모양의 골다공증적인 변화가 있는 것과 없는 것으로 분류 하고, Lee 등의 연구의 single column(SC-CNN)과 같은 상태 로 제한하여18), ROI를 하악 하연을 포함하여 1000x200 픽셀 로 설정하였다. 정상인 535명(평균 연령 28.6 ± 7.4세)과 하악 하연 피질골의 두께와 모양의 골다공증적인 변화가 있는 533 명(평균 연령 72.1 ± 8.7세)의 파노라마방사선사진을 DCNN 에 학습시키고, 정상 100명(평균 연령 26.6 ± 4.5세)과 하악 하연 피질골의 두께와 모양의 골다공증적인 변화가 있는 100 명(평균 연령 72.5 ± 7.2세)으로 테스트하였다. 그 결과 DCNN은 하악 하연 피질골의 두께와 모양의 골다공증적인 변 화 판정에 정확도 97.5%, 민감도 96%, 특이도 99% specificity 를 나타내었다(Table 1). 그 결과 DCNN의 정확도(임계값 0.5)는 97.5 % 이었다.
폐쇄 민감영역 분석에서 DCNN이 ROI 영역 중 약측 하악체 의 하연 피질골과 해면골, 그리고 전반부 해면골에 대해서 민 감하게 반응하였다는 것을 알 수 있다(Figure 1-2).
Ⅳ. DISCUSSION
다양한 전신질환들과 약물들이 골다공증을 동반하거나 유 발한다29-32). 골다공증은 골밀도가 감소된 상태이며 그 결과 골절이 발생할 수 있다. 골다공증은 그 자체가 특정한 질환이 라기보다는 다양한 선행요인이나 질환 등에 대하여 발생하는 골의 비특정한 반응이다. 파노라마방사선사진에서는 하악 피 질골의 비박을 확인함으로써 골다공증의 진단이 가능하다. 파 노라마방사선사진에서 해면골의 변화는 알기 어렵지만 피질 골의 비박은 판독할 수 있다. 하악 피질골의 변화는 이미 피질 골에 변화가 있다는 증거가 되며, 또한 전신의 골에 변화가 있다는 것을 예측하게 한다. 하악 피질골 비박을 일으키는, 즉 골다공증이 진단되는 질환들에는 갑상선기능항진증3-6), 만 성 신장 질환7-9), 전신성 루푸스 홍반10), 골다공증11-13) 등이 있 으며, 파노라마방사선사진을 판독하는 것은 이러한 질환들의 진단에 매우 중요한 단서가 된다. 그러므로 치과의사들은 하 악 하연 피질골의 두께와 모양의 골다공증적인 변화를 관심있 게 판독할 필요가 있다.
본 연구는 DCNN이 치과 파노라마방사선사진에서 하악 하 연 피질골의 두께와 모양의 골다공증적인 변화를 진단하는데 적용 가능한지를 연구하는데 목적이 있다. 구강악안면방사선 학전문의는 하악 하연만을 판독하였다. DCNN의 학습 및 테 스트를 위하여 구강악안면방사선학전문의가 판독한 영역으로 국한시키는 것은 매우 복잡하기 때문에 관심영역(ROI)을 치 아영역 하방 하악골로 제한하였다18,19).
하악 하연 피질골의 두께와 모양의 골다공증적인 변화가 없는 파노라마방사선사진 535건(평균 연령 28.6 ± 7.4세)과 골다공증적인 변화가 있는 533건(평균 연령 72.1 ± 8.7세)을 데이터 전처리과정을 통해 치조골 하방 580X240픽셀로 영상 을 축소하여 DCNN에 학습시킨 후 하악 하연 피질골의 두께 와 모양의 골다공증적인 변화가 없는 파노라마방사선사진 100개(평균 연령 만 26.6 ± 4.5세), 골다공증적 변화가 있는 파노라마방사선사진 100개(평균 연령 72.5 ± 7.2세)를 테스트 한 결과, DCNN의 하악 하연 피질골의 두께와 모양의 골다공 증적인 변화 판독 능력은 판독 정확도(accuracy) 97.5%로 매 우 높은 수준의 판독 정확도를 보였다.
Lee 등의 연구에서는 augmentation 하지 않은 상태의 single column 테스트가 본 연구와 비교 가능하며, 이 때의 정확도는 92.5%로 나타났다18). 또한 multiple column에서는 98.5%로 나타났다. 그러나 Lee 등의 연구18)에는 DCNN이 파노라마방사 선사진에서 어느 부위에 대해 민감하게 반응하는지는 보여주지 않았다. 이에 본 연구에서는 민감영역을 추가로 연구하였다.
본 연구에서는 훈련된 모델이 정말로 하악 윤곽 영역의 정 보를 분류에 사용하는지, 아니면 단지 주변 정황만을 이용하 는지를 확인하기 위해에 제시된 폐쇄 민감영역 분석을 채택하 였다28). 신경망에 대하여 120x60 픽셀의 검은 직사각형으로 정상 영상 입력의 다른 부분을 체계적으로 차단하고 분류기의 출력을 모니터하였다. 그 결과, DCNN이 민감하게 반응하는 영역에 피질골 뿐만 아니라 해면질골이 포함되고 있음이 확인 되었다. 구강악안면방사선학전문의들이 하악하연의 피질골의 모양의 변화만으로 하악 하연 피질골의 두께와 모양의 골다공 증적인 변화를 판정한 것과는 대조적인 결과로 나타났다 (Figure 1-2).
해면골의 소실 속도는 피질골에 비하여 더 빠르다. 뼈는 리 모델링(remodeling)을 통해 끊임없이 생성되고 대체된다. 계 속되는 뼈의 회전율(turnover rate)은 형태변화가 거의 없는 뼈의 교체에 따른 재흡수 과정이다. 이것은 골모세포와 파골 세포를 통해 이루어진다. 성인 골질량의 약 10%가 매년 리모 델링된다33). 리모델링은 표면/골부피가 큰 해면골에서 피질골 보다 빠르게 진행되며, 해면골의 골소주는 재흡수되기 때문에 골소주 성분이 사라지며 해면골 부분에서 리모델링이 감소한 다. 그러나 골수에 인접한 피질의 내피질 표면과 하버스관의 내벽에 의해 형성된 내피질 표면에서 리모델링은 계속된다. 그 결과 내피질 관의 증가로 인한 다공성 증가로 내피질 표면 이 얇아지며 피질골의 소실이 일어난다34).
해면질골이 피질골보다 회전율(turnover rate)이 빠르므로 피질골에 이상이 있을 경우 해면질골에는 이미 이상이 있다고 할 수 있으며, 해면질골이 피질골보다 더 빠르고 민감하게 변 한다는 것을 알 수 있다. 따라서 골다공증 외에도 다른 피질골 비박을 일으키는 질환에서 이러한 변화를 일으킬 것을 예상할 수 있다. 파노라마방사선사진은 2차원의 영상이다. 해면질골 로 보이는 부위는 해면질골 뿐 아니라 피질골이 함께 겹쳐서 촬영된 것이다. 따라서 하악 하연 피질골의 변화가 있는 경우 는 상방의 중첩된 해면질골과 피질골에도 이미 이상이 있다는 것을 보여주는 것이다.
DCNN은 주로 합성곱(convolutional), 풀링(pooling) 및 비 선형 활성화(non-linear activation) 레이어로 구성된다. 합성 곱 레이어는 필터 또는 합성곱 커널이라는 학습된 가중치 집 합으로 구성된다. 합성곱 레이어에 대한 입력은 입력 평면의 스택(stack)이며, 출력은 피처맵(feature map)이라 불리는 몇 개의 출력 평면들이다. 피처맵은 입력과 합성곱 커널 사이에 서 내적공간(dot product)을 취하여 계산된다. 각각의 피처맵 은 로컬 필터의 응답에 대한 위상적으로 배열된 맵이다. 출력 피처맵의 수는 해당 레이어에 사용 된 필터 수와 같다. 최대 풀링 레이어는 각각의 합성곱 레이어 이후 피처맵의 공간 차 원을 점진적으로 감소시키고 또한 신경망에서의 계산량을 감 소시키기 위하여 사용된다. 최대 풀링 레이어는 각 피처맵 내 의 하위 창에 대해 최대 응답을 취하게 된다. 활성화 레이어는 이전 레이어의 출력에 대한 비선형 변환을 수행한다. 본 연구 에서는 폐쇄 민감영역 분석을 채택하여 민감하게 반응하는 부 위를 피처맵에서 붉은 색으로 표시되도록 하였으며, 해당 부 위가 피질골 뿐 아니라 해면질골도 포함되었다(Figure 2)18,26).
본 연구에서 구강악안면방사선전문의는 하악의 하연의 피 질골의 두께와 모양의 변화만을 대상으로 하여 골다공성 변화 에 대해 판정한 반면, DCNN은 피질골 뿐 아니라 해면질골까 지도 골다공성 변화를 인식하는 것을 확인할 수 있었다. 사람 은 해면질골의 미세한 변화를 확인할 수 없기 때문에 판독이 쉬운 피질골만을 대상으로 골다공증을 판독하게 된다. DCNN 에서 판독의 민감영역은 사람과는 차이가 있을 수 있다는 것 을 본 연구에서 보여주고 있으며, 사람이 육안으로 확인할 수 없는 미세한 변화를 DCNN이 인식하는 것을 알 수 있다. 이와 같은 결과는, 사람에 의해 DCNN이 학습되지만, DNN으로부 터 사람이 또한 학습을 받을 수 있다는 것을 시사한다는 점에 서 흥미로운 결과라고 할 수 있다.
Ⅴ. CONCLUSION
본 연구에서는 파노라마방사선사진을 정상 또는 하악 하연 피질골의 두께와 모양의 골다공증적인 변화가 있는 경우, 두 가지로 분류하기 위한 DCNN 구조를 제안하였다. DCNN은 관심 영역이 치아 바로 아래 하악골 영역으로 제한되는 입력 영상을 학습하였다. 학습된 신경망은 테스트 데이터에서 일반 화가 잘 되었고 수신자 조작 특성에서 보이는 것처럼 정확도 측면에서 성능이 우수하였다. 신경망의 내부 상태를 시각화하 고 이후의 폐쇄 민감영역 분석을 통하여 신경망이 분류를 위 한 의미 있는 특징을 학습하였음을 알 수 있었다.
DCNN은 하악 하연 피질골의 두께와 모양의 골다공증적인 변화를 진단하는데 효과적이고, 학습에 필요한 방사선사진의 수가 적음에도 높은 정확성을 보였다. 이는 하악 피질골 비박 이 있는 경우, 이미 해면질골에 변화가 있다는 것을 DCNN이 판독하는 것으로 생각된다.
